基于动态聚类和对比细化的无监督域适应步态识别

步态识别是一种通过分析个人行走模式在长距离内区分个体的新兴识别技术。传统技术高度依赖大规模标记数据集，这导致高成本和显著的标注挑战。最近的研究者探索了基于聚类的无监督步态识别方法，实现了显著的成功。然而，这些方法直接使用由聚类生成的伪标签，忽略了由域差异导致的伪标签噪声，这会影响模型训练过程的效果。为缓解这些问题，我们提出了一种新模型，称为 GaitDCCR，旨在减少噪声伪标签对聚类和模型训练的影响。我们的方法分为两个主要阶段：聚类阶段和训练阶段。在聚类阶段，我们提出了动态聚类参数(DCP)和动态权重质心(DWC)以提高聚类效率并获得可靠的聚类质心。在训练阶段，我们采用经典的教师-学生结构，并提出基于置信度的伪标签细化(CPR)和对比教师模块(CTM)，以鼓励噪声样本向其真实身份所属聚类的中心收敛。在公共步态数据集上的大量实验表明，我们简单而有效的方法显著提高了无监督步态识别的性能，为其在实际场景中的应用奠定了基础。我们将在接受录取后发布代码。